De herramientas a co-creadores: las tres etapas que están redefiniendo la investigación
Un nuevo estudio de investigadores de la Universidad de Ciencia y Tecnología de Hong Kong (Guangzhou) y la Universidad de Hong Kong, publicado en arXiv, plantea una tesis tan ambiciosa como concreta: los modelos fundacionales (FMs) como GPT-4 y AlphaFold no solo aceleran la ciencia existente, sino que están dando forma a un nuevo paradigma de descubrimiento. Los autores proponen un marco de tres etapas para describir esta evolución, que va desde la integración meta-científica hasta la co-creación híbrida humano-IA y, en el horizonte, el descubrimiento autónomo.
El estudio, titulado "Foundation Models for Scientific Discovery: From Paradigm Enhancement to Paradigm Transition", sostiene que la ciencia atraviesa una crisis de complejidad: problemas como el plegamiento de proteínas, la conciencia o la polarización social desafían los métodos experimentales, teóricos, computacionales y basados en datos. Los FMs, al ser capaces de manejar texto, código y datos multimodales de forma unificada, ofrecen una vía para abordar esa complejidad irreducible.
¿Colaboración o reemplazo? La experiencia concreta de ChatGPT
Un experimento paralelo, liderado por Gerardo Adesso de la Universidad de Nottingham, aborda la misma pregunta desde un ángulo más lúdico pero revelador. En su artículo de 2023, "Towards The Ultimate Brain: Exploring Scientific Discovery with ChatGPT AI", Adesso diseñó un entorno de gamificación donde ChatGPT debía actuar como un investigador en física teórica. El resultado: ChatGPT generó un modelo hipotético llamado GPT4 (que fusiona el concepto de transformador generativo preentrenado con la teoría probabilística generalizada) y lo sometió a pruebas matemáticas y físicas. El modelo fue capaz de describir el modelo de Ising bidimensional, predecir configuraciones de espín y calcular propiedades a temperatura cero. Más impactante aún: todo el artículo fue escrito por el propio ChatGPT, con las instrucciones del humano en recuadros grises.
Este meta-artículo no solo muestra la capacidad de la IA para producir contenido científico coherente, sino que revela algo más profundo: la línea entre la herramienta y el colaborador ya se ha difuminado. Como señala el estudio de Hong Kong, la segunda etapa —la co-creación híbrida— ya está ocurriendo. La IA no solo ejecuta tareas, sino que participa en la formulación del problema, la generación de hipótesis y el diseño experimental.
Implicaciones para América Latina: el salto posible
Para los ejecutivos y líderes de ciencia y tecnología en América Latina, este cambio tiene consecuencias operativas inmediatas. La primera es de costo: los FMs reducen la barrera de entrada a la investigación de frontera. Ya no es necesario tener acceso a grandes laboratorios o equipos de científicos de élite para comenzar a explorar problemas complejos; un investigador con acceso a un modelo fundacional puede, con las indicaciones adecuadas, generar hipótesis, diseñar experimentos y analizar resultados. Esto es particularmente relevante en regiones donde los presupuestos de I+D son limitados.
La segunda es de talento: la colaboración humano-IA exige un perfil de científico que entienda tanto la pregunta de fondo como el lenguaje de las máquinas. Las universidades y centros de investigación latinoamericanos que no estén formando a sus investigadores en el uso crítico de estas herramientas corren el riesgo de quedarse atrás en la productividad científica.
La tercera, y quizás la más estratégica, es la oportunidad de aplicar estos modelos a problemas locales: desde la optimización de cultivos hasta la modelización climática o la búsqueda de nuevos materiales para baterías. En países como Chile, Argentina o Brasil, donde la minería, la agricultura y la energía son sectores estratégicos, la IA aplicada a la ciencia puede traducirse en ventajas competitivas concretas. No se trata de esperar a que AlphaFold resuelva un problema global; se trata de usar esas mismas capacidades para preguntas locales.
El riesgo de la dependencia y la regulación
Ninguna transición es gratuita. El estudio de Hong Kong también advierte sobre los riesgos: dependencia de modelos propietarios, sesgos en los datos de entrenamiento, falta de interpretabilidad y el peligro de que la ciencia se convierta en una caja negra donde se confía en la respuesta de la IA sin entender el camino. Para América Latina, esto añade una capa adicional de vulnerabilidad: si la infraestructura de modelos fundacionales está mayoritariamente en manos de empresas estadounidenses o chinas, la soberanía científica de la región puede quedar comprometida.
La lección es clara: la IA no viene a reemplazar al científico, sino a transformar la naturaleza de su trabajo. Los líderes que entiendan esto podrán diseñar estrategias que aprovechen la potencia de los modelos fundacionales sin perder el control de la pregunta científica. El resto, observará cómo la ciencia avanza sin ellos.
